《基于5G技术的在线教育平台学习者迁移行为影响机制》-教育论文，远程教育论文-论文范文参考-科学狗论文网

标题

基于5G技术的在线教育平台学习者迁移行为影响机制

范文

方佳明史志慧刘璐

摘要：5G通信网络的大规模部署和应用，及其与人工智能、虚拟现实、云计算的结合，将使基于5G技术的在线教育平台能够更好地满足学习者多元化、个性化的学习需求。为促进新型在线教育平台的研发和推广，亟需明晰学习者从传统在线教育平台转向新平台的迁移意愿影响因素及形成机制，而基于“推-拉-锚定”理论构建的在线教育平台学习者迁移行为影响机制模型可对其进行解释。采用基于方差的PLS算法结构方程模型对问卷调查数据进行分析后发现：在“推效应”方面，传统在线教育平台的系统质量和关系质量降低了学习者向基于5G技术的新平台迁移的意愿;在“拉效应”方面，新平台给使用传统平台的学习者带来的功能匮乏感和情感匮乏感提高了其向新平台迁移的意愿;在“锚定效应”方面，学习者面向传统在线教育平台的感情承诺和使用习惯，以及面向新平台的转移成本，使其产生了在平台迁移上的行为惰性;此外，行为惰性不仅负向影响学习者向新平台的迁移，也提高了其对传统平台系统质量和关系质量的认知，降低了其对传统平台的功能匮乏性感知。因此，从打造高质量的新型平台、提供丰富的功能体验和愉悦的情感体验以及降低平台使用成本等方面着手，可以推动基于5G技术的在线教育平台的普及。

关键词：在线教育平台;5G技术;在线学习;在线迁移行为;“推-拉-锚定”理论

中图分类号：G434 文献标识码：A 文章编号：1009-5195（2019）06-0022-10 doi10.3969/j.issn.1009-5195.2019.06.003

一、引言

在终身学习成为教育领域重要发展趋势的背景下，在线教育（e-learning）作为一种基于网络的远程教育模式，由于具有不受时空限制、灵活便捷的教学方式以及丰富的教学资源等突出优势，弥补了传统线下教育的不足和缺陷，使得利用在线教育平台进行学习的用户数量近年来增长迅速。据艾媒咨询（iiMedia Research）2018年12月发布的《2018中国在线教育行业白皮书》显示，预计到2020年中国在线教育用户规模将达2.96亿人。

在线学习场景中，学习者的体验决定着学习的效率和在线教育平台的生存（方佳明等，2018）。同时，技术的创新会极大地提升学习者的体验。第五代通信技术（简称5G技术）作为现阶段互联网技术创新的代表，具有高速度、泛在网、低时延等特点，将给教育行业带来颠覆性变革（互联网教育智能技术及应用国家工程实验室，2018）。随着5G网络的大规模部署和应用，基于5G技术的在线教育平台将能更好地通过学习者画像、视觉识别、语音识别和人工智能等技术分析个体的学习行为，从而大幅提升在线学习各环节效率，进而真正地满足学习者多元化、个性化的学习需求。5G技术与云计算、虚拟现实、人工智能等技术的结合将创造出许多全新的教学模式，其对教育领域的赋能将带来前所未有的创新变革与机遇。

但是，在基于5G技术的在线教育平台构建初期，如何促使学习者从传统的在线教育平台迁移到基于5G技术的平台，从而快速实现平台的网络效应是一个值得研究的课题。学习者从现有的在线教育平台迁移到基于5G技术的平台必然会产生相应的迁移成本，尤其是在需要切换不同的平台服务提供商的情况下，学习者的迁移成本问题更为凸显。另外，根据现状偏差理论（Status Quo Bias），惰性会使人们在面临即使是更好的选择时也不愿改变现状，因此行为惰性也可能降低学习者的迁移意愿。

综上所述，5G技术在教育领域的广泛采纳和应用具有十分重要的意义，而影响学习者使用基于5G技术的在线教育平台的因素较为繁杂，如传统平台的不足、新平臺的相对优势以及学习者普遍存在的行为惰性，这些都会影响基于5G技术的新平台的推广和普及。然而，目前针对5G技术教育应用的研究尚处于初期的宏观定性层面，尚无研究对学习者从传统在线教育平台转向基于5G技术平台的迁移意愿形成机制进行深入探讨。这一理论研究上的缺失不利于新平台的研发，也制约了基于5G技术的在线教育平台的应用、推广和普及。鉴于此，本研究基于“推-拉-锚定”理论将迁移行为意愿预测因素整合在统一的框架内，以帮助研究者和管理者了解这些因素对迁移行为的潜在影响机制。具体而言，本文将解决以下两个研究问题：哪些因素会导致传统在线教育平台学习者向基于5G技术的在线教育平台转移？这些因素又如何影响学习者的转移意愿？研究结果不仅可以加深对个体参与基于5G技术的在线学习的行为意愿的理解，也能够丰富和拓展现有的在线教育平台个体迁移行为理论，同时对基于5G技术的在线教育平台的开发者和管理人员也具有重要的参考价值，因而有助于5G技术在教育领域的应用和推广。

二、理论背景与研究假设

1.迁移行为和“推-拉-锚定”理论

个体的迁移行为一直备受研究者关注。狭义的迁移是指人口的流动（Lee，1966），更广义的迁移是指消费者从一个服务平台切换到另一个（Bansal et al.，1999）。用户迁移既可能使公司失去老客户，也可能使其获得新客户，因此吸引了大量营销学者对其进行研究。以往的研究更多关注影响消费者迁移意愿的因素，主要包括满意度（Park et al.，2013;Zhang et al.，2014）、关系质量（Wieringa et al.，2007;Hsieh et al.，2012）、惯性（Hsieh et al.，2012;Polites et al.，2012）和转移成本（Hsieh et al.，2012;Sun et al.，2017）等。

Moon（1995）提出的“推-拉-锚定”（Push-Pull

-Mooring，PPM）理论可以很好地解释个体的迁移行为。其中，“推力”因素指迫使个体离开初始地点（或平台）的消极因素;而“拉力”因素是吸引个体到达目的地（或替代平台）的积极因素;“锚定力”因素一般与个体自身及社会文化相关，它不仅会影响迁移行为，还会影响“推力”和“拉力”（Lin et al.，2014）。该理论被广泛应用于社科研究领域。例如，Sun等（2017）研究了人们在使用即时通信平台时的转移行为，发现对现有平台的厌倦和不满意会推动用户转移，而替代平台的吸引力和个体的主观规范会作为拉力促进用户转移，且惯性作为锚定力不仅会阻碍用户转移，也会削弱推力和拉力的作用。Bansal等（2005）强调了迁移和切换行为之间的相似性，即学习者在各种在线教育服务提供商之间的转移行为本质上也是一种迁移行为，因此，“推-拉-锚定”理论可以作为理解学习者转移行为的理论框架。据此，该理论也将适用于理解学习者从传统在线教育平台到基于5G技术的在线教育平台的迁移行为。

2.5G技术及其在教育领域的应用潜能

5G技术，是第五代通信技术的简称，融合了多项无线传输与接入技术及其网络功能（张平等，2016），与之前的4G技术相比，具有高速率、低延迟、大容量的特点。在5G环境下，更多的设备以更快的速度安全连接，将形成全新的立体化数字环境（Lewis，2018）。在这样的环境中，物联网、云计算、人工智能和虚拟现实等多项技术携手，将开启“智能+”时代，给人们的生活、工作和学习带来巨大的影响（梅雅鑫，2019）。

教育信息化2.0与5G技术的融合将给传统的教学模式带来颠覆性变革，因此，其受到研究者的广泛关注。有研究者描绘了5G技术和物联网、云计算、人工智能以及虚拟现实等技术融合应用于教学场景的蓝图（李传之，2018;梅雅鑫，2019;艾伦等，2019;李小平等，2019;孙立会等，2019）。有研究者指出5G技术在教育领域应用的难点在于相关技术不成熟且相关人员缺乏经验，并给出了解决途径，即保证充足的经费、打造专业教师队伍和推进校企合作等（李玲玲，2019）。也有研究者跨越技术、工具和教学模式的层面，指出从学校形态上进行改变，打造“能者为师” 和“课程为王”的理念，以打通多方壁垒，借助5G技术实现教育生态系统的突破（朱永新，2019）。

虽然现有文献论证了基于5G技术的在线教育平台有着美好的应用前景和丰富的使用场景，但是，促使用户从传统在线教育平台转向基于5G技术的在线教育平台才是这些愿景得以落地的必要条件，也是5G技术在教育领域的应用得以持续发展的基础。目前，尚无文献涉及学习者从传统在线教育平台到基于5G技术的在线教育平台的迁移行为，或探讨行为背后的迁移意愿形成机制，而此类研究对于了解学习者的平台迁移过程及开展5G技术教育应用具有重要价值。

3.研究假设与研究模型

（1）“推”效应

“推”效应来源于学习者使用传统在线教育平台时产生的消极因素，此类使用户产生负面体验的消极因素将其“推”离原平台。据艾媒咨询（iiMedia Research，2018）发布的报告显示，许多用户认为在线教育平台的直播类课程存在画面不流畅、学习氛围差和反馈不及时等缺点。本研究将这些问题归纳为系统质量和关系质量，即系统质量反映了平台的功能性质量，而关系质量体现了平台的非功能性质量（Fang et al.，2017）。

系统质量的概念源于信息系统成功模型，其一般被用于评估信息系统的技术指标，例如可靠性和易用性等（DeLone et al.，1992）。在线教育平台作为一类信息系统，其系统质量与用户的使用体验密切相关。已有研究表明，系统质量在用户体验上的负面表现会作为推力因素促使他们向新的平台转移（杨石山，2012）。据此，本研究提出以下假设：

H1a：传统在线教育平台的系统质量对学习者的迁移意愿存在负向影响。

在本研究中，关系质量是指在线教育平台学习者感受到的与其他学习者、教师及助教间的连接性。已有研究表明，线上服务平台用户感受到的弱连接性会作为推力影响其转移行为（Hsieh et al.，2012;Jung et al.，2017）。在线教育平台上，学习者感受到的连接性可表现为社会性交互，其会影响学习者的能力需求满足感和关系需求满足感，进而影响学习者的学习投入（方佳明等，2018）。因此，在线教育平台的关系质量是影响学习者使用體验和学习行为的重要因素，同时也是影响学习者迁移的重要因素。据此，本研究提出以下假设：

H1b：传统在线教育平台的关系质量对学习者的迁移意愿存在负向影响。

（2）“拉”效应

“拉”效应来源于基于5G技术的在线教育平台产生的积极因素，此类积极因素使用户渴望使用基于5G技术的在线教育平台，将用户“拉”向新平台。本研究将拉力因素聚焦于匮乏性（Deprivation）上。匮乏性被定义为人们对缺乏某一事物，同时认为自己应该拥有这一事物的感受（Runciman et al.，1966）。感知到匮乏是与现有事物进行比较的结果。赵宇翔等（2016）研究发现新平台带来的相对匮乏性（即功能匮乏性、情感匮乏性和经济匮乏性）会促使人们产生迁移行为。据此，当基于5G技术的在线教育平台出现以后，还未迁移到新平台的学习者在观察到新平台的丰富功能后，会产生一种羡慕情绪，进而产生对基于5G技术在线教育平台的匮乏感，这种匮乏感会促使他们从传统在线教育平台转移到基于5G技术的在线教育平台。

本研究从功能和情感两个方面讨论基于5G技术的在线教育平台带来的相对匮乏性。功能匮乏性被定义为用户感受到自己本该拥有但实际并未体验到的功能性价值（Deng et al.，2010）。5G技术与物联网、人工智能、虚拟现实和云计算等多项技术的融合应用，将带给学习者丰富的功能体验，例如全方位、立体化的互动以及个性化画像管理等（赵兴龙等，2019），这将使传统在线教育平台的学习者感到羡慕进而萌生出对此类功能的匮乏感。因此，本研究提出以下假设：

H2a：基于5G技术的在线教育平台带来的功能匮乏性对学习者的迁移意愿存在正向影响。

情感匮乏性来自于用户对基于5G技术的在线教育平台产生的精神或心理需求。虚拟现实技术在基于5G技术的在线教育平台上的应用将真正实现寓教于乐（梅雅鑫，2019）。同时，基于5G技术的在线教育平台上的学习资源也可以包含更多游戏化模块。这些都将给原本枯燥乏味的学习过程赋予极大的乐趣，进而使传统平台的学习者产生对基于5G技术的在线教育平台的情感匮乏性。由此，本研究提出以下假设：

H2b：基于5G技术的在线教育平台带来的情感匮乏性对学习者的迁移意愿存在正向影响。

（3）“锚定”效应

“锚定”效应来自于那些既能够直接阻碍迁移行为的形成，也可以削弱“推”效应和“拉”效应的因素（Lin et al.，2014）。这些因素独立于学习平台本身，主要体现为个体的行为模式。本研究选取惰性作为锚定力。惰性体现了个体对现有行为模式的依恋和坚持，其受到情感承诺、转移成本和习惯的影响。以往研究表明，惰性是解释个体维持当前行为的一个重要因素（Polites et al.，2012）。

惰性可以分为认知惰性和情感惰性。认知惰性是指人们自然而然地一直延续当前的行为模式，即使他们知道这种行为模式可能并不是最有效的。而情感惰性是指人们喜欢并且享受当前的行为模式，认为改变会带来压力，从而对当前的行为模式产生情感依恋（Polites et al.，2012）。现状偏差理论（Status Quo Bias）认为，惰性是人们在面对更好的选择时不愿改变现状的原因之一。此外，有研究表明惰性会使人们在面对可能的迁移时选择维持现状（Hsieh et al.，2012）。在使用在线教育平台时，熟悉的教学模式和反馈机制使学习者感到舒适，而切换到新的平台可能会因不适应而导致学习成本的增加，这会引发在平台迁移上的惰性。因此，本研究将惰性作为锚定力，提出以下假设：

H3：惰性对传统在线教育平台学习者的迁移意愿存在负向影响。

情感承诺反映了个体维持关系的愿望（Meyer et al.，1991）。在本研究中，情感承诺是学习者对于传统在线教育平台的情感依恋、认同和参与。有研究表明情感承诺是影响用户持续使用在线服务的关键因素，即如果没有情感承诺，用户很容易产生迁移行为（Bateman et al.，2011）。如果学习者存在对传统在线教育平台的情感承诺，他们则可能表现出行为上的惰性并维持与传统平台的关系，继续使用传统在线教育平台。因此，本研究提出以下假设：

H4a：情感承诺正向影响传统在线教育平台学习者的惰性。

在本研究中，转移成本指学习者从传统在线教育平台迁移到基于5G技术的在线教育平台所产生的成本，包括过程成本、经济成本和关系成本（Burnham et al.，2003）。过程成本指学习者切换平台所产生的评估成本和学习成本等，包括尝试和学习使用新平台所花费的时间和精力;经济成本指切换平台所产生的财务成本，包含购买新设备的支出等;关系成本指学习者切换平台后个人关系的损失，例如在传统在线教育平台上原有师生关系和同学关系的丢失等。大量研究表明，当转移成本较高时，人们会因受到约束而表现出很强的行为惰性（曹雄飞，2014;Sun et al.，2017）。据此，本研究提出以下假设：

H4b：转移成本正向影响传统在线教育平台学习者的惰性。

习惯是个体在潜意识里保持某种行为模式的状态（Polites et al.，2012）。与惰性类似，习惯使个体的行为程序化、单一化，并能够减少思考成本，这表明习惯是惰性的潜在来源。此外，曹雄飞（2014）指出惰性会受到潜意识习惯的影响。学习者在使用在线教育平台的过程中极易养成习惯，熟悉的用户界面和操作方式会使学习者在学习过程中感到轻松，因此习惯会使学习者的惰性增强。据此，本研究提出以下假设：

H4c：习惯正向影响传统在线教育平台学习者的惰性。

惰性也可能影响传统在线教育平台的“推力”。一方面，根据现状偏差理论，惰性产生的原因之一是人们享受和依恋当前的行为模式，此时，人们会对现状感到满意（Samuelson et al.，1988），这种满意会使用户对现状有较高的认知。这种较高的认知可能并不是出于实际情况，而是用户自己内心的“美化”。因此，对于传统在线教育平台的学习者而言，惰性会使他们对目前所使用平台的系统质量和关系质量形成较高的评价。另一方面，根据认知失调理论，随着惰性的形成，人们会消极看待迁移行为以免自身陷入矛盾（Festinger，1962）。惰性较强的学习者在潜意识里不愿改变，进而会高度评价传统在线教育平台的系统质量和关系质量，这种高度评价可以为自己的惰性提供主观合理性。据此，本研究提出以下假设：

H5a：惰性正向影响学习者感知到的传统在线教育平台的系统质量。

H5b：惰性正向影响学习者感知到的传统在线教育平台的关系质量。

类似的，惰性也可能影响基于5G技术的在线教育平台的“拉力”。惰性使人们倾向于拒绝迁移，同时为了避免认知失调，惰性较强的人对新系统的认知会偏低（Festinger，1962;Lin et al.，2014）。对于没有使用过基于5G技术的在线教育平台的学习者而言，惰性会使他们在潜意识里弱化新平台的优点。因此，在面对基于5G技术的在线教育平台带来的功能丰富性和情感愉悦性时，惰性较强的学习者并不容易产生相应的匮乏感。据此，本研究提出以下假设：

H6a：惰性负向影响学习者感知到的基于5G技术的在线教育平台带来的功能匮乏性。

H6b：惰性负向影响学习者感知到的基于5G技术的在线教育平台带来的情感匮乏性。

另外，考虑到以往的在线学习行为研究发现学习者的人口统计学属性会影响个体的行为（方佳明等，2018），本研究将年龄、性别、职业以及教育程度作为控制变量加入到研究模型中以提升统计检验的有效性。

基于上述研究假设，本文提出如图1所示的研究模型。

三、研究设计

1.变量的测量

本研究采用问卷调查的方式收集数据。模型中所有自变量和因变量的测量题项均来源于对相关成熟量表的修订。对潜变量的测量全部采用7点Likert量表，1表示非常不赞同，7表示非常赞同。在进行正式调查前，对46名本科生进行了预调查以确保量表的信度和效度符合要求，并根据预调查结果对量表进行了适度调整以使其更加契合中国情境。最终用于收集数据的问卷包括两个部分：9个潜变量的测量量表以及4个人口统计学变量的测量题目。具体地说：情感承诺采用3个题项;转移成本采用8个题项，分别测量了过程成本、经济成本和关系成本;习惯采用3个题项;惰性采用4个题项;系统质量采用6个题项;关系质量采用4个题项;功能匮乏采用3个题项;情感匮乏采用3个题项;迁移意愿采用4个题项。

2.数据的收集

研究人员于2019 年7月至9月期间，采用“线下纸质问卷+在线问卷”的形式开展了正式的数据收集，并通过QQ群、微信群、慕课平台以及网络学习社区等途径发布调查问卷的填写邀请。在對每一份提交的问卷进行仔细筛查后，剔除了没有在线学习经验以及答题质量不符合要求的被调查者问卷（例如题项全部回答为4，问卷完成时间少于60秒等），最终得到有效问卷332份。其中男性191人（占57.53%），女性141人（占42.47%），绝大多数被调查者具有本科或研究生学历（两者共占94.27%），年龄集中在18至25岁之间，从事的职业包括学生、公司职员、事业单位工作人员和自由职业者等。样本符合在线学习者大多为本科学历且年龄主要分布在18～25岁的基本现状（方佳明等，2018）。因此，样本具有较好的代表性。

四、数据分析与结果

1.测量模型

本研究采用两步法对模型进行检验。为确保测量的有效性，在分析结构模型之前，首先采用“确认性因子分析”评估模型中各潜变量测量模型的充分性，包括信度、收敛效度和判别效度。本研究采用Cronbachs α系数以及组合信度评估测量模型的内在一致性信度。Cronbachs α系数是对测量信度的保守估计，而组合信度往往会高估测量的内在一致性信度，从而导致相对较高的信度估计。从表1可以看出，各潜变量的Cronbachs α系数以及组合信度均大于阈值0.70且未超过0.95，说明各潜变量的测量具有较好的内部一致性。

本研究进一步使用“确认性因子分析”检验量表的收敛效度和判别效度。收敛效度反映了同一潜变量测量题项间的相关程度，而判别效度反映了不同潜变量之间的差异性。收敛效度的评估通过平均萃取方差（AVE）以及因子载荷显著性进行检验。从表1可以看出，各潜变量的AVE值都大于0.50。因子载荷和交叉载荷分析结果表明绝大多数的测量题项在其理论潜变量上的载荷大于0.70且统计上显著。仅有三个测量题项的因子载荷略小于0.70 （SWCT5、SWCT7和SWCT8）。其中，SWCT5测量经济成本，SWCT7和SWCT8测量关系成本。删除这些小于0.70的题项，既不能增加组合信度还会导致潜变量的内容效度发生变化，因此保留这些测量是有必要的（Hair et al.，2011）。综上，量表具有良好的收敛效度。

因子载荷和交叉载荷分析也显示测量题项在其理论潜变量上的载荷显著高于在其他潜变量上的交叉载荷，并且每个潜变量的AVE值平方根值都大于该潜变量和其他潜变量的相关系数值，这表明本研究中的各潜变量测量具有足够的判别效度。由于近年来的研究表明，单纯比较因子载荷以及比较AVE值平方根和潜变量间相关系数的方法存在缺陷（Henseler et al.，2015），因此，本研究同时采用Henseler等（2015）提出的异质-同质相关比率（heterotrait-monotrait ratio of correlations， HTMT）方法对判别效度进行了评估。HTMT反映了不同潜变量间测量指标相关性的均值相对于同一潜变量测量指标相关性的均值的比值。根据Henseler等（2015）的建议，HTMT值若高于0.90则表明测量缺乏判别效度。表2报告的结果显示，本研究所提出的各潜变量间的测量指标的HTMT最高为0.886（情感匮乏性和功能匮乏性），小于阈值0.90，再次验证了各潜变量测量具有足够的判别效度。

考虑到本研究的数据收集采用的是问卷调查法，故各变量之间可能存在共同方法偏差（Common Method Variance，CMV）。CMV的存在会放大测量间的相关性，从而使得结果产生偏误。本研究采用了Harman单因子法评估潜在的CMV问题。将全部的测量指标进行基于主成分分析的探索性因子分析并提取出9个因子后，未旋转时得到的第一因子只解释了25.15%的方差。同时，表1报告的潜变量间的相关系数也较低。上述结果表明，本研究的共同方法偏差不明显。

2.结构模型

在进行结构模型参数估计之前，本研究首先评估了多变量假设，包括正态性、线性、多重共线性和同方差。Doornik-Hansen多变量正态性检验（Doornik et al.，2008）结果表明，本研究中的测量变量不符合多变量正态分布要求（p<0.001）。同时考虑到本研究所提出的模型较为复杂，且样本量也不大等因素，故选择基于方差的PLS算法（PLS-SEM）而非基于协方差的结构方程模型。与基于协方差的结构方程模型相比较，PLS算法对测量尺度、样本量、模型复杂度和数据正态性的要求更低，并且已被广泛应用于营销管理和管理信息系统等领域的在线用户行为研究中（Fang et al.，2019）。具体来说，本研究使用R软件中的matrixPLS算法进行结构模型的参数估计。与其他实现PLS算法的软件（如SmartPLS，GraphPLS，WarpPLS等）使用原始数据作为算法的输入不同，matrixPLS根据输入数据的协方差矩阵进行模型的参数估计，从而使得计算效率更高，能够满足基于大规模数据进行计算的要求。模拟仿真结果表明matrixPLS的计算结果和SmartPLS等商业软件的计算结果完全一致但前者的计算速度明显更快（R?nkk?，2017）。图2报告了模型的估计结果。

如图2所示，本研究提出的模型解释了56.8%的在线教育平台迁移意愿。根据Hair等（2011）提出的R2阈值判断标准，本研究模型的解释力为中等偏上水平。具体而言，惰性作为迁移意愿形成的锚定效应，其对迁移意愿具有最大的負面影响（β=-0.401，p<0.001）。情感承诺、转移成本以及习惯显著促进了惰性的形成。对“推”效应（系统质量和关系质量）的进一步路径系数差异性分析结果表明，系统质量对迁移意愿的影响显著小于功能匮乏和情感匮乏的影响效应（β系统质量-功能匮乏感=-0.344，t（662）=-4.072，p<0.001;β系统质量-情感匮乏感=-0.435，t（662）=-5.117，p<0.001），但相较于关系质量的影响效应无显著差异（β系统质量-关系质量=-0.017，t（662）=0.267，p=0.395）。功能匮乏和情感匮乏对迁移意愿形成的影响效应也没有显著的差异（β功能匮乏感-情感匮乏感=-0.090，t（662）=-0.858，p=0.196）。除假设H6b（惰性负向影响情感匮乏）外，所有提出的研究假设均得到验证。H6b不成立的原因可能在于：现有的在线教育平台注重面向学习的功能模块，在这类平台的使用上，个体的娱乐性情感需求基本无法获得满足，因此，惰性并不会显著降低学习者对情感匮乏的认知。

3.中介效应分析

为检验行为惰性是否通过“拉”效应的系统质量和关系质量以及“推”效应的功能匮乏和情感匮乏等中介变量影响在线教育平台的迁移意愿，本研究对中介效应进行了检验。具体而言，本研究采用了Preacher 和Hayes提出的自抽样方法（Bootstrap）计算中介效应。表3结果表明：整体而言，“拉”效应和“推”效应部分“中介”了锚定效应对迁移行为的影响。中介效应占惰性影响迁移意愿总效应的16.6%。其中，情感匮乏的中介效应不显著。

五、研究结论

将5G技术应用于在线教育平台，通过个体画像、视觉识别、语音识别和人工智能等技术提升在线学习各环节的效率，能够真正地满足学习者多元化和个性化的学习需求，这将给教育领域带来前所未有的颠覆式变革。在此过程中，如何促使学习者从现有在线教育平台顺利迁移到基于5G技术的在线教育平台是一个富有研究价值的课题。有鉴于此，本文基于“推-拉-锚定”理论提出了一个在线教育平台学习者迁移行为影响机制模型，在利用332位来自传统在线教育平台的学习者的问卷调查数据对该模型进行检验后，得到如下主要结论：

第一，传统在线教育平台的系统质量和关系质量作为两个主要的“推”效应因素，降低了学习者向基于5G技术的在线教育平台迁移的意愿。也就是说，当学习者对传统在线教育平台的系统性能评价较差时（例如系统的易用性），更容易迁移到基于5G技术的在线教育平台。这可能是因为系统质量较高的在线教育平台更有助于学习者的高效率学习。另一方面，研究结果也表明学习者除关注平台的功能性质量外，也关注平台在人际关系构建等方面的非功能性质量。当学习者感受到在线教育平台所提供的与老师和其他学习者的连接性较弱时（例如，与老师和同学缺乏互动，彼此不能及时有效地交流），学习者也更容易产生迁移行为。

第二，基于5G技术的在线教育平台给使用传统在线教育平台的学习者带来的功能匮乏性和情感匮乏性感知，作为迁移行为的“拉”效应提高了学习者的迁移意愿。基于5G技术的在线教育平台的功能越丰富（例如，更智能化的系统功能和更个性化的学习支持），给学习者带来的情感体验越愉悦（例如，趣味性和游戏化学习体验更强），越容易使学习者感知到相对匮乏，这种匮乏感会牵引他们向新平台迁移。这表明基于5G技术的在线教育平台所提供的丰富且新颖的功能是促使学习者迁移到新平台的重要影响因素。

第三，作为迁移意愿形成过程中“锚定”效应所涉及的惰性因素，不仅负向影响了学习者的迁移意愿，同时也提高了学习者对传统在线教育平台系统质量和关系质量的认知，降低了其对原平台功能匮乏性的认知。此外，学习者对原平台的情感承诺和使用习惯以及从原平台迁移到基于5G技术的新平台所产生的转移成本，都是行为惰性的前置因素。这表明当学习者对原平台有较强的依恋、认同和参与时，他们会表现出更强的行为惰性（即不愿意迁移到新平台），同时这种情感不仅弱化了原平台不尽如人意的系统质量和关系质量的“推力”，也弱化了新平台给自身带来的功能匮乏性的“拉力”。同样地，学习者已有的使用习惯和感知到的高转移成本也会和情感承诺一样强化他们的行为惰性，进而负向影响原平台的“推力”和新平台的“拉力”。值得注意的是，本研究的结果显示：惰性只会降低学习者对基于5G技术的在线教育平台在功能层面上的丰富性认知，并不会影响其对平台在情感层面上的丰富性认知。这表明现有在线教育平台在娱乐性等满足学习者情感需求方面做得不尽如人意，而基于5G技术的在线教育平台在娱乐性方面具有相对优势，这将极大地提升学习者的迁移意愿。

基于上述结论，为了更好地促进5G技术在在线教育领域的应用与推广，提出以下建议：

一是基于5G技术打造高质量的在线教育平台。“高质量”不仅是指平台在学习功能上的高质量，也包括在平台架构上的高质量。高质量的平台架构有助于教、学参与者之间的人际关系构建，进而实现学习者在情感导向和功利导向等不同层面上的人际交往需求。5G技术可以极大地扩展个体的社交场景和注意力范围，帮助个体实现虚拟人际关系和现实人际关系之间的连接，进而使得虚拟空间与真实世界能够无缝融合。因此，有针对性地利用5G技术打造全息沉浸式的人际交互功能，可以使基于5G技术的在线教育平台上的人际关系构建变得非常容易。

二是通过5G技术与大数据、人工智能、云计算、物联网和区块链等技术的结合，在新的在线教育平台上为学习者提供丰富的功能体验和愉悦的情感体验，以增加传统平台学习者的功能匮乏感和情感匮乏感。5G技术具有高速度、泛在网和低时延的特点，其与物联网、人工智能和云计算等技术相融合而产生的可穿戴交互终端、虚拟场景发生器、生物指标感应器、人脸情感AI技术、实时数据记录仪和电子教学仪器等工具和技术，能够将教师和学习者置于同一虚拟空间，进而帮助教师在授课过程中实时掌握学习者的生理和心理状态变化。通过全过程记录和分析教学活动，就可以发现每个学习者在学习过程中的薄弱点，进而利用AI技术实现有针对性的课后复习和指导。同時，这也能够方便授课教师在整个授课过程中及时地获知学习者的学习效果，进而有针对性地重点讲授其存在学习困难的知识点。通过上述方式，可以使学习者在使用这些新功能时产生有趣好玩的情感体验，促使传统平台上的学习者产生匮乏感，进而促进其迁移行为的产生。

三是尽可能地降低学习者从传统在线教育平台转移到基于5G技术的在线教育平台的成本，以弱化个体行为惰性的影响，进而促进学习者向新平台的迁移。具体来讲，转移成本包括过程成本、经济成本和关系成本。在过程成本方面，可以将新平台设计得更为简便易用，以减少学习者为适应新平台而投入的学习时间和精力;在经济成本方面，可以在平台运行的初期通过创新商业模式来避免单一的付费使用模式，让更多的学习者尝试使用新平台并切身体验到基于5G技术的在线教育平台的相对优势，从而增加其在传统在线教育平台上的情感匮乏和功能匮乏感知;在关系成本方面，可以通过平台间的数据共享、平台收购和战略合作以及朋友间的相互推荐等方式，减少学习者在平台迁移过程中人际关系的丢失。

参考文献：

[1]艾伦，张鹏（2019）.5G技术在教育信息化中的作用辨析[J].中国现代教育装备，（16）：1-3.

[2]曹雄飞（2014）.理解博客用户向微博的转移[D].合肥：中国科学技术大学.

[3]方佳明，唐璐玢，马源鸿等（2018）.社会交互对MOOC课程学习投入的影响机制[J].现代教育技术，28（12）：87-93.

[4]互联网教育智能技术及应用国家工程实验室（2018）.“人工智能赋能教育变革国际论坛”在京举行 7大主题聚焦AI对未来教育的影响[J].现代远程教育研究，（6）：54.

[5]李玲玲（2019）.5G+VR技术与思政教学的融合研究——以江苏首家VR思政教育实训室为例[J].教育现代化，6（62）：183-185.

[6]李传之（2018）.基于5G的高校教育资源库建设与应用研究[J].中国电子教育，（4）：16-21.

[7]李小平，孙清亮（2019）.基于第五代移動通信技术的网络教育应用研究[J].电化教育研究，40（1）：52-58.

[8]梅雅鑫（2019）.5G开启云VR教育新篇章让知识触手可及[J].通信世界，（3）：32.

[9]孙立会，刘思远，李芒（2019）.面向2035的中国教育信息化发展图景——基于《中国教育现代化2035》的描绘[J].中国电化教育，（8）：1-8，43.

[10]杨石山（2012）.社交网站用户转换意向研究[D].南京：南京大学.

[11]张平，陶运铮，张治（2016）.5G若干关键技术评述[J].通信学报，37（7）：15-29.

[12]赵兴龙，许林，李雅瑄（2019）.5G之教育应用：内涵探解与场景创新——兼论新兴信息技术优化育人生态的新思考[J].中国电化教育，（4）：5-9.

[13]赵宇翔，彭希羡，朱庆华（2016）.社交媒体后续采纳阶段用户转移行为研究——以微信为例[J].情报学报，35（2）：208-224.

[14]朱永新（2019）.5G将如何改变我们的教育[N].环球时报，2019-07-04（15）.

[15]Bansal， H. S.， & Taylor， S. F. （1999）. The Service Provider Switching Model （SPSM）[J]. Journal of Service Research， 2（2）：200-218.

[16]Bansal， H. S.， Taylor， S. F.， & James， Y. St. （2005）. Migrating to New Service Providers： Toward a Unifying Framework of Consumers Switching Behaviors[J]. Journal of the Academy of Marketing Science， 33（1）：96-115.

[17]Bateman， P. J.， Gray， P. H.， & Butler， B. S. （2011）. Research Note-The Impact of Community Commitment on Participation in Online Communities[J]. Information Systems Research， 22（4）：841-854.

[18]Burnham， T. A.， Frels， J. K.， & Mahajan， V. （2003）. Consumer Switching Costs： A Typology， Antecedents， and Consequences[J]. Journal of the Academy of Marketing Science， 31（2）：109-126.

[19]DeLone， W. H.， & McLean， E. R. （1992）. Information Systems Success： The Quest for the Dependent Variable[J]. Information Systems Research， 3（1）：60-95.

[20]Deng， Z.， Lu， Y.， & Wei， K. K. et al. （2010）. Understanding Customer Satisfaction and Loyalty： An Empirical Study of Mobile Instant Messages in China[J]. International Journal of Information Management， 30（4）：289-300.

[21]Doornik， J. A.， & Hansen， H. （2008）. An Omnibus Test for Univariate and Multivariate Normality[J]. Oxford Bulletin of Economics and Statistics， 70：927-939.

[22]Fang， J.， Tang， L.， & Yang， J. et al. （2019）. Social Interaction in MOOCs： The Mediating Effects of Immersive Experience and Psychological Needs Satisfaction[J]. Telematics and Informatics， 39：75-91.

[23]Fang， J.， Zhao， Z.， & Wen， C. et al. （2017）. Design and Performance Attributes Driving Mobile Travel Application Engagement[J]. International Journal of Information Management， 37：269-283.

[24]Festinger， L. （1962）. A Theory of Cognitive Dissonance[M]. Stanford： Stanford University Press.

[25]Hair， J. F.， Ringle， C.， & Sarstedit， M. （2011）. PLS-SEM： Indeed a Silver Bullet[J]. Journal of Marketing Theory and Practice， 19：139-151.

[26]Henseler， J.， Ringle， C. M.， & Sarstedt， M. （2015）. A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling[J]. Journal of the Academy of Marketing Science， 43：115-135.

[27]Hsieh， J. K.， Hsieh， Y. C.， & Chiu， H. C.， et al. （2012）. Post-Adoption Switching Behavior for Online Service Substitutes： A Perspective of the Push-Pull-Mooring Framework[J]. Computers in Human Behavior， 28（5）：1912-1920.

[28]iiMedia Research （2018）. A White Paper on Chinas Online Education Industry in 2018[EB/OL]. [2019-07-10]. https：//www.iimedia.cn/c400/63080.html.

[29]Jung， J.， Han， H.， & Oh， M. （2017）. TravelersSwitching Behavior in the Airline Industry from the Perspective of the Push-Pull-Mooring Framework[J]. Tourism Management， 59：139-153.

[30]Lee， E. S. （1966）. A Theory of Migration [J]. Demography， 3（1）：47-57.

[31]Lewis， J. A. （2018）. How 5G Will Shape Innovation and Security： A Primer[R]. Washington： CSIS.

[32]Lin， T. C.， & Huang， S. L. （2014）. Understanding the Determinants of ConsumersSwitching Intentions in a Standards War[J].International Journal of Electronic Commerce，19（1）：163-189.

[33]Meyer， J. P.， & Allen， N. J. （1991）. A Three-Component Conceptualization of Organizational Commitment[J]. Human Resource Management Review， 1（1）：61-89.

[34]Moon， B. （1995）. Paradigms in Migration Research： Exploring ‘Mooringsas a Schem[J]. Progress in Human Geography， 19（4）：504-524.

[35]Park， S. C.， & Ryoo， S. Y. （2013）. An Empirical Investigation of End-UsersSwitching Toward Cloud Computing： A Two Factor Theory Perspective[J]. Computers in Human Behavior， 29（1）：160-170.

[36]Polites， G. L.， & Karahanna， E. （2012）. Shackled to the Status Quo： The Inhibiting Effects of Incumbent System Habit， Switching Costs， and Inertia on New System Acceptance[J]. MIS Quarterly， 36（1）：21-42.

[37]R?nkk?， M. （2017）. Matrixpls： Matrix-Based Partial Least Squares Estimation[EB/OL]. [2017-05-22]. http：//cran.r-project.org/web/packages/matrixpls/index.html.

[38]Runciman， W. G.， & Runciman， B. （1966）. Relative Deprivation and Social Justice： A Study of Attitudes to Social Inequality in Twentieth-Century England （Vol. 13）[M]. Berkeley： University of California Press.

[39]Samuelson， W.， & Zeckhauser， R. （1988）. Status Quo Bias in Decision Making[J]. Journal of Risk and Uncertainty， 1（1）：7-59.

[40]Sun， Y.， Liu， D.， & Chen， S. et al. （2017）. Understanding UsersSwitching Behavior of Mobile Instant Messaging Applications： An Empirical Study from the Perspective of Push-Pull-Mooring Framework[J]. Computers in Human Behavior， 75：727-738.

[41]Wieringa， J. E.， & Verhoef， P. C. （2007）. Understanding Customer Switching Behavior in a Liberalizing Service Market： An Exploratory Study[J]. Journal of Service Research， 10（2）：174-186.

[42]Zhang， H.， Lu， Y.， & Gupta， S. et al. （2014）. Understanding the Antecedents of Customer Loyalty in the Chinese Mobile Service Industry： A Push-Pull-Mooring Framework[J]. International Journal of Mobile Communications， 12（6）：551-577.

收稿日期 2019-09-27責任编辑谭明杰

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。